[发明专利]一种组合电器局部放电缺陷诊断方法及系统

说明书

本发明公开了一种组合电器局部放电缺陷诊断方法及系统，包括：将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；其中，所述卷积神经网络模型通过预先构建的图谱库进行训练，所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。本发明采用改进的VGG‑16结构，利用迁移学习的方式，通过VGG‑16网络模型参数优化卷积层、池化层和全连接层的模型参数，实现局放图谱类型的识别，可提高局部放电模式的准确率。

技术领域

本发明涉及气体绝缘组合电器局放检测技术领域，尤其涉及一种组合电器局部放电缺陷诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

气体绝缘组合电器(Gas Insulatede Switchgear，简称GIS)是一种以SF6气体为绝缘介质的电网关键设备之一。随着GIS在电网中的占比不断增加和组合电器局放检测工作的开展，GIS特高频局放检测存在下列问题：

1)不同厂家、型号的检测仪器性能差别巨大，数据存储的类型和格式各异，导出不同形式的非结构化数据，直接采用深度神经网络进行拟合训练，算法准确性和适应性难以满足实际需求；传统的统计分析技术无法实现对这类数据的管理和应用。

2)局放检测工作相对复杂，GIS周围存在大量干扰信号，导致检测人员误判漏判，检测结果的可靠性很大程度上取决于检测人员的业务水平，严重制约了组合电器局放检测工作的发展和设备状态评价能力的提升。

3)由于带电检测工作相对复杂，现场环境干扰因素较多，目前针对局部放电的缺陷诊断仍多依赖于运维人员的知识和经验。而运维人员由于缺少知识创造、保存的工具、流程，导致不同现场、不同班组、不同人员在各自运维作业中发现的组合电器局放缺陷及原因、处置方案等知识难以积累、延续和分享，影响现场组合电器局放缺陷诊断效率。

发明内容

为了解决上述问题，本发明提出了一种基于GIS局放检测图谱和运维检修记录，对图谱和缺陷类型进行分类，构建不同检测终端的典型故障图谱知识库。研究基于VGG-16结构卷积神经网络的局部放电模式识别算法，利用迁移学习的方式，通过VGG-16网络模型参数优化卷积层、池化层和全连接层的模型参数，解决特高频检测图谱的分类与局部放电识别问题。

在一些实施方式中，采用如下技术方案：

一种组合电器局部放电缺陷诊断方法，包括：

将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；

将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；

其中，所述卷积神经网络模型通过预先构建的图谱库进行训练，所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。

在另一些实施方式中，采用如下技术方案：

一种组合电器局部放电缺陷诊断装置，包括：

缺陷识别模块，用于将获取到的待测变电站组合电器特高频局放图谱输入到训练好的卷积神经网络模型中，输出缺陷识别结果；

缺陷原因匹配模块，用于将所述缺陷识别结果与知识库进行匹配，得到形成该缺陷的原因及处理原则；

神经网络模型训练模块，用于通过预先构建的图谱库对卷积神经网络模型进行训练；所述图谱库包括若干带标注信息的变电站组合电器检测图谱数据集；所述知识库包括不同缺陷类型对应的缺陷原因及处理原则。